一種基于個性化需求的智能配鏡算法研究

侯增選 王軍驊 黃 磊 張迪婧 吳忠得

(大連理工大學機械工程學院 遼寧 大連 116024)

0 引 言

隨著互聯(lián)網(wǎng)的迅猛發(fā)展及個性化定制文化的流行，以互聯(lián)網(wǎng)為依托的智能配鏡新零售模式日新月著，越來越多的消費者期望根據(jù)個人特點定制出適合自己的產(chǎn)品。眼鏡作為日常消費品，與人們生活關系密切，而目前消費者購買眼鏡大多在專業(yè)眼鏡店或醫(yī)院進行購買，款式種類有限，且在佩戴舒適度方面有待提升。因而智能配鏡逐漸為人熟知，根據(jù)用戶偏好及用戶面部特征智能匹配出適合的眼鏡也逐漸被消費者所接受。

在基于用戶個性化需求進行個性化定制及智能匹配方面，相關企業(yè)及學者均作了大量的研究工作。蔡銘等[1]基于語義網(wǎng)技術建立了用戶檢索需求與網(wǎng)絡制造資源智能匹配模型，開發(fā)了Swirrsm智能檢索系統(tǒng)。周宏明等[2]根據(jù)用戶面部特征與眼鏡特征參數(shù)之間的映射關系，建立了基于用戶面部特征的智能匹配算法。何保峰等[3]以框架方式進行應急預案存儲，并基于矢量空間模型建立智能匹配算法模型，在應急預案匹配領域具有較好的應用前景。劉雨東[4]基于人臉面部特征信息和用戶屬性信息開發(fā)了眼鏡產(chǎn)品的個性化定制系統(tǒng)。Ma等[5]提出了一種基于累積前景理論的圖像匹配智能評估方法，有效地解決了圖像匹配評估問題。李新等[6]建立了云制造資源與加工任務的統(tǒng)一本體模型之間的智能匹配算法，為云制造環(huán)境下的加工路徑優(yōu)化奠定了基礎。盛步云等[7]基于語義搜索技術建立了制造業(yè)服務資源庫和服務需求之間的智能匹配算法，開發(fā)了基于云制造服務平臺的智能匹配引擎。Song等[8]基于數(shù)據(jù)標簽和策略規(guī)則表達提出了電力業(yè)務數(shù)據(jù)的智能匹配濾波算法，極大提高了識別和過濾電力業(yè)務系統(tǒng)的敏感數(shù)據(jù)效率和準確率。Liu等[9]利用圖形挖掘技術來研究特定藥物的匹配規(guī)則，建立了藥物自動匹配方法。

本文基于用戶屬性信息、用戶偏好信息及用戶面部特征信息建立了用戶個性化需求信息與眼鏡模型庫之間的智能匹配算法，并將智能匹配流程劃分為眼鏡模型庫檢索、眼鏡框型匹配、面部參數(shù)匹配、優(yōu)化調整四個階段。基于該智能匹配算法采用C++編程語言基于Qt、Open Inventor等工具開發(fā)了智能配鏡系統(tǒng)。并在該系統(tǒng)平臺下將本文所述智能匹配算法與關鍵詞匹配算法進行對比，驗證了本文所述智能匹配算法的有效性，提高了用戶個性化需求信息與眼鏡模型庫之間的匹配精度和效率。

1 智能匹配模型建立

智能配鏡系統(tǒng)是通過建立用戶個性化需求信息數(shù)據(jù)模型與眼鏡模型庫之間的智能匹配模型來實現(xiàn)用戶智能選型配鏡的。用戶個性化需求信息數(shù)據(jù)模型由用戶屬性信息、用戶偏好信息及用戶面部特征信息構成；眼鏡模型庫是基于UG平臺開發(fā)的眼鏡參數(shù)化設計系統(tǒng)來建立的。以此搭建用戶個性化需求信息數(shù)據(jù)模型與眼鏡模型庫之間的智能匹配模型。

1.1 用戶需求信息數(shù)據(jù)模型與眼鏡模型庫建立

用戶個性化需求信息具體劃分為：用戶屬性信息、用戶偏好信息、用戶面部特征信息。

(1) 用戶屬性信息(AttInformation)：AttInformation={gender, glaType}，由性別、配鏡類型兩個元素組成。智能配鏡系統(tǒng)根據(jù)用戶屬性信息匹配到眼鏡模型庫中的某一子類模型庫。

(2) 用戶偏好信息(PreInformation)：PreInformation={fraType, fraColor, fraMaterial}，由鏡架類型、鏡架顏色、鏡架材質組成。系統(tǒng)根據(jù)用戶偏好信息匹配出對應子類模型庫中適宜的眼鏡款式，并按優(yōu)先級在三維可視化平臺上顯示。

(3) 用戶面部特征信息(FeaInformation)：FeaInformation={a, b, c, d, e, α, β}，由耳根上點間距(a)、鼻托貼合點間距(b)、鼻寬(c)、鼻高(d)、側面間距(e)、眼眶前傾角(α)、鼻基準角(β)組成。系統(tǒng)根據(jù)用戶面部特征信息對眼鏡列表中每一款眼鏡進行面部參數(shù)匹配，匹配出適合于該面部特征的眼鏡。

用戶個性化需求信息數(shù)據(jù)模型如圖1所示。

圖1 用戶個性化需求信息數(shù)據(jù)模型

眼鏡模型庫的建立是基于UG平臺開發(fā)的眼鏡參數(shù)化設計系統(tǒng)，該系統(tǒng)本文不作細述，眼鏡模型庫組織結構如圖2所示。根據(jù)眼鏡架規(guī)格尺寸[10]，應用該眼鏡參數(shù)化設計系統(tǒng)將每一款式的眼鏡定制為三種不同的尺寸型號，為實現(xiàn)基于用戶面部特征的面部參數(shù)匹配過程提供依據(jù)；并將定制的眼鏡模型統(tǒng)一將prt格式轉為wrl格式，方便在智能配鏡系統(tǒng)平臺上進行展示。

1.2 智能匹配模型建立

為實現(xiàn)基于用戶個性化需求的智能配鏡的功能，構建了用戶個性化需求信息與眼鏡模型庫之間的智能匹配模型，如圖3所示。

具體智能匹配流程劃分如下：

(1) 眼鏡模型庫檢索：為便于眼鏡模型庫的擴展建立了基于DFS的眼鏡模型庫檢索算法。基于用戶屬性信息(性別、所配眼鏡類型)匹配到眼鏡模型庫中的某一具體子類眼鏡模型庫。

(2) 眼鏡框型匹配：建立基于語義相似度的眼鏡框型匹配算法，根據(jù)用戶偏好信息計算對應子類眼鏡模型庫中每一款眼鏡的匹配相似度值，按相似度值大小輸出眼鏡推薦列表。

(3) 面部參數(shù)匹配：建立面部參數(shù)匹配算法模型，根據(jù)用戶面部特征信息計算對應眼鏡推薦列表中每款眼鏡三種不同型號的匹配度值，更新輸出匹配到具體型號的眼鏡推薦列表。

(4) 優(yōu)化調整：根據(jù)用戶偏好影響因子及用戶面部特征影響因子對更新后的眼鏡推薦列表進行權重計算，輸出最優(yōu)眼鏡推薦列表。

2 智能配鏡算法

2.1 眼鏡模型庫檢索

為便于眼鏡模型庫的擴展，基于用戶屬性信息建立了優(yōu)化DFS遍歷檢索算法，實現(xiàn)具體眼鏡類型庫的檢索過程，算法如圖4所示。

圖4 眼鏡模型庫檢索算法模型

眼鏡模型庫檢索環(huán)節(jié)根據(jù)用戶的性別、配鏡類型信息實現(xiàn)對子類模型庫的精確檢索，并將檢索到匹配的子類模型庫節(jié)點信息返回給眼鏡框型匹配環(huán)節(jié)。該算法優(yōu)勢在于無需考慮眼鏡模型庫組織結構的復雜性，實現(xiàn)對子類模型庫節(jié)點的精準高效檢索。

2.2 眼鏡框型匹配

基于Jaccard語義相似度計算方法及Wu&Palmer語義相似度計算方法建立眼鏡框型匹配算法，匹配過程中分別計算單個關鍵詞的Jaccard相似度值及Wu&Palmer語義相似度值，進而計算單個關鍵詞匹配相似度值，最后計算出鏡架類型、鏡架顏色、鏡架材質綜合相似度值；在子類眼鏡模型庫中按綜合相似度值輸出對應的眼鏡推薦列表。

(1) 根據(jù)Jaccard相似度計算方法[11-12]，給出以下計算公式：

(1)

式中：fea(key)為用戶偏好信息關鍵詞特征庫，fea(obj)為眼鏡本體特征庫，|cnt_fea[(fea(key))∩(fea(obj))]|為關鍵詞特征庫與眼鏡本體特征庫交集特征數(shù)量，|cnt_fea[(fea(key))∪(fea(obj))]|為關鍵詞特征庫與眼鏡本體特征庫并集特征數(shù)量。

(2) 根據(jù)Wu&Palmer語義相似度計算方法[13-14]，給出以下計算公式：

(2)

式中：lso(key,obj)為key和obj公共祖先節(jié)點，w_depth(lso(key,obj))為key和obj公共祖先節(jié)點所處的深度，w_len(key,obj)為關鍵詞key和obj之間的最短路徑長度。

(3) 根據(jù)Jaccard語義相似度計算方法及Wu&Palmer語義相似度計算方法建立單關鍵詞匹配相似度計算公式：

sim_sin(key,obj)=ε1×sim_con(key,obj)+

ε2×sim_sem(key,obj)

(3)

式中：ε1、ε2為調節(jié)因子，ε1、ε2均大于0且ε1+ε2=1。

(4) 根據(jù)鏡架類型、鏡架顏色、鏡架材質計算眼鏡框型匹配綜合相似度，計算公式如下：

sim(P,G)=α×sim_sin(keytype,objtype)+

β×sim_sin(keycolor,objcolor)+

γ×sim_sin(keymaterial,objmaterial)

(4)

式中：P、G分別為用戶偏好信息、眼鏡本體特征信息；α、β、γ分別為鏡架類型、鏡架顏色、鏡架材質影響因子，α、β、γ均大于0且α+β+γ=1，可以通過用戶偏好分析設置α、β、γ占比。

根據(jù)用戶偏好信息通過該眼鏡框型匹配算法計算子類模型庫中每款眼鏡相似度值，并輸出最優(yōu)眼鏡款式到眼鏡推薦列表，為面部參數(shù)匹配過程提供依據(jù)。

2.3 面部參數(shù)匹配

通過計算用戶面部特征信息與眼鏡推薦列表中每款眼鏡三種不同型號之間的匹配度值，輸出匹配到具體眼鏡型號的眼鏡推薦列表。面部參數(shù)匹配算法過程如下：

(1) 分別計算與眼鏡鼻梁、鏡框、鏡腿設計相關的面部特征信息(Fnos,Ffra,Fleg)與三種不同眼鏡型號之間的匹配度值。

與鼻梁、鏡框、鏡腿設計相關的面部特征與某一具體眼鏡型號之間的匹配度值計算公式依次如下：

(5)

(2) 計算用戶面部特征信息(F)與三種不同眼鏡型號之間的綜合面部參數(shù)匹配度值：

mac_par(F,Gi)=α×mac_nos(Fnos,Gi)+

β×mac_fra(Ffra,Gi)+

γ×mac_leg(Fleg,Gi)

(6)

式中：α、β、γ分別為鼻梁、鏡框、鏡腿的影響因子，α、β、γ均大于0，α+β+γ=1。

(3) 計算出與用戶面部特征信息匹配最優(yōu)的眼鏡型號：

Gopt=max{mac_par(F,G1),mac_par(F,G2),

mac_par(F,G3)}

(7)

根據(jù)用戶面部特征信息通過該面部參數(shù)匹配算法將匹配到具體眼鏡型號輸出到眼鏡推薦列表，以便進行優(yōu)化調整。

2.4 優(yōu)化調整

根據(jù)用戶偏好影響因子(ε1)與用戶面部特征影響因子(ε2)計算面部參數(shù)匹配所得的眼鏡推薦列表每款眼鏡的綜合匹配度值：

match(Gtype)=ε1×sim_fea(P,Gtype)+ε2×

mac_par(F,Gtype)

(8)

式中：Gtype為眼鏡推薦列表中某一具體型號的眼鏡；P、F分別為用戶偏好信息、用戶面部特征信息；ε1、ε2均大于0且ε1+ε2=1，由用戶設置占比。

根據(jù)綜合匹配度值對眼鏡推薦列表中的眼鏡進行優(yōu)化排序，輸出最優(yōu)眼鏡推薦列表。

3 仿真與驗證

為驗證本文所述智能匹配算法在智能配鏡過程中的有效性，基于該智能匹配算法開發(fā)了智能配鏡系統(tǒng)，該智能配鏡系統(tǒng)能夠根據(jù)用戶個性化需求信息實現(xiàn)智能配鏡功能。并與關鍵詞匹配算法進行對比，以匹配精度及匹配范圍作為算法評估標準。

3.1 實驗設計

本實驗所使用的眼鏡模型數(shù)據(jù)集是基于UG/Open API二次開發(fā)工具開發(fā)的眼鏡參數(shù)化設計系統(tǒng)所建立的眼鏡模型庫；模型庫共包含四種眼鏡類型庫，每種眼鏡類型庫共包含十種款式的眼鏡模型，每款眼鏡包含三種不同型號的眼鏡模型。用戶面部特征信息由面部三維掃描模型唯一確定，如圖5所示；用戶需求信息如表1所示。

圖5 面部三維模型

特征類別個性化需求信息關鍵詞信息性別男男配鏡類型光學鏡光學鏡鏡架類型全框全框鏡架顏色銀灰色銀灰色鏡架材質金屬金屬耳根上點間距165.375 21 mm———鼻托貼合點間距17.433 98 mm———鼻寬41.514 65 mm———鼻高46.511 30 mm———側面間距82.354 88 mm———眼眶前傾角25.002 82°———鼻基準角29.317 39°———

3.2 驗證結果分析

在同一智能配鏡系統(tǒng)平臺下，分別對本文所述智能匹配算法與關鍵詞匹配算法進行測試，以匹配精度及匹配范圍作為判斷依據(jù)，表2為實驗統(tǒng)計數(shù)據(jù)。

表2 實驗統(tǒng)計數(shù)據(jù)

相對于關鍵詞匹配算法，本文所述智能匹配算法能夠精確匹配到眼鏡模型庫中的對應具體眼鏡型號，因此大幅減小了眼鏡匹配范圍，匹配數(shù)量僅為關鍵詞匹配算法的1/3，避免了重復匹配相同款式不同型號眼鏡的情況。智能配鏡系統(tǒng)匹配結果如圖6所示，此處僅將完全匹配的眼鏡款式列出。

圖6 眼鏡推薦列表

4 結 語

為實現(xiàn)基于用戶個性化需求信息的智能配鏡功能，構建了用戶個性化需求信息數(shù)據(jù)模型，搭建了基于UG平臺的眼鏡參數(shù)化設計系統(tǒng)眼鏡模型庫，并建立了二者之間的智能匹配算法。

應用該智能匹配算法,基于Qt、Open Inventor等工具開發(fā)了智能配鏡系統(tǒng)，并在該系統(tǒng)平臺下與關鍵詞匹配算法進行了對比。實驗結果表明本文所述智能配鏡算法能夠有效實現(xiàn)用戶個性化需求與眼鏡模型庫之間的智能匹配，為實現(xiàn)基于用戶個性化需求的眼鏡個性化定制奠定了基礎。